LF-YOLO: A Lighter and Faster YOLO for Weld Defect Detection of X-Ray Image

特征(语言学) 编码(集合论) 计算机科学 卷积(计算机科学) 人工智能 特征提取 模式识别(心理学) 图像(数学) 焊接 卷积神经网络 人工神经网络 计算机视觉 工程类 机械工程 哲学 集合(抽象数据类型) 程序设计语言 语言学
作者
Moyun Liu,Youping Chen,Jingming Xie,Lei He,Yang Zhang
出处
期刊:IEEE Sensors Journal [Institute of Electrical and Electronics Engineers]
卷期号:23 (7): 7430-7439 被引量:38
标识
DOI:10.1109/jsen.2023.3247006
摘要

X-ray image plays an important role in manufacturing industry for quality assurance, because it can reflect the internal condition of weld region. However, the shape and scale of different defect types vary greatly, which makes it challenging for model to detect weld defects. In this article, we propose a weld defect detection method based on convolution neural network (CNN), namely, lighter and faster YOLO (LF-YOLO). In particular, a reinforced multiscale feature (RMF) module is designed to implement both parameter-based and parameter-free multiscale information extracting operations. RMF enables the extracted feature map to represent more plentiful information, which is achieved by a superior hierarchical fusion structure. To improve the performance of detection network, we propose an efficient feature extraction (EFE) module. EFE processes input data with extremely low consumption and improves the practicability of whole network in actual industry. Experimental results show that our weld defect detection network achieves satisfactory balance between performance and consumption and reaches 92.9 mean average precision (mAP50) with 61.5 frames/s. To further prove the ability of our method, we test it on the public dataset MS COCO, and the results show that our LF-YOLO has an outstanding versatility detection performance. The code is available at https://github.com/lmomoy/LF-YOLO .
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
ATCG发布了新的文献求助10
1秒前
IBMffff应助JUll采纳,获得30
2秒前
我说苏卡你说不列完成签到,获得积分10
2秒前
2秒前
2秒前
充电宝应助朴实芒果采纳,获得10
3秒前
4秒前
上官若男应助科研通管家采纳,获得10
4秒前
大模型应助科研通管家采纳,获得10
4秒前
Akim应助科研通管家采纳,获得10
4秒前
wil35完成签到,获得积分10
4秒前
ccccc发布了新的文献求助10
5秒前
小草发布了新的文献求助30
6秒前
Fiona驳回了李健应助
7秒前
changfox完成签到,获得积分10
7秒前
FashionBoy应助好运旺旺采纳,获得10
7秒前
7秒前
doing发布了新的文献求助10
7秒前
冷月芳华发布了新的文献求助10
8秒前
丘比特应助卿卿采纳,获得10
8秒前
Huck完成签到,获得积分10
8秒前
fanfan完成签到,获得积分20
8秒前
8秒前
bkagyin应助不吃香菜采纳,获得10
9秒前
思源应助就是爱问采纳,获得10
9秒前
10秒前
林七七完成签到 ,获得积分10
10秒前
fanfan发布了新的文献求助10
11秒前
12秒前
朴实问筠发布了新的文献求助10
13秒前
654-2完成签到 ,获得积分20
15秒前
15秒前
ding应助doing采纳,获得10
16秒前
情怀应助羽渡尘采纳,获得10
16秒前
16秒前
17秒前
18秒前
岁月静好发布了新的文献求助10
18秒前
18秒前
wyy应助man采纳,获得10
19秒前
高分求助中
Spray / Wall-interaction Modelling by Dimensionless Data Analysis 2000
Aspects of Babylonian celestial divination: the lunar eclipse tablets of Enūma Anu Enlil 500
Mathematics and Finite Element Discretizations of Incompressible Navier—Stokes Flows 500
Artificial Intelligence: A Multidisciplinary Approach towards Teaching and Learning 400
Dictionary of socialism 350
India's foreign trade policy and its performance in the world economy 300
Mixed-anion Compounds 300
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3195743
求助须知:如何正确求助?哪些是违规求助? 2844609
关于积分的说明 8050603
捐赠科研通 2509253
什么是DOI,文献DOI怎么找? 1341528
科研通“疑难数据库(出版商)”最低求助积分说明 639181
邀请新用户注册赠送积分活动 608374